针对视频图像中因小目标行人、遮挡和行人姿态多变而造成的行人再识别率低的问题，建立了一种基于高效网络EfficientNet的双分路多尺度联合学习方法。首先采用性能高效的EfficientNet-B1网络作为主干结构；然后利用加权双向特征金字塔（BiFPN）分支对提取的不同尺度全局特征进行融合，并且得到包含不同层次语义信息的全局特征，从而提高小目标行人的识别率；其次利用PCB分支提取深层局部特征来挖掘行人的非显著信息，并减轻行人遮挡和姿态多变性对识别率的影响；最后在训练阶段将两个分支网络分别提取的行人特征通过Softmax损失函数得到不同子损失，并把它们相加进行联合表示；在测试阶段将获得的全局特征和深层局部特征拼接融合，并计算欧氏距离得到再识别匹配结果。该方法在Market1501和DukeMTMC-Reid 数据集上的Rank-1的准确率分别达到了95.1%和89.1%，与原始EfficientNet-B1主干结构相比分别提高了3.9个百分点和2.3个百分点。实验结果表明，所提出的模型有效提高了行人再识别的准确率。
